高斯过程回归(Gaussian process regression,GPR)是一种基于高斯过程的非参数化贝叶斯回归方法,其可以灵活适应不同类型数据,用于建模和预测数据之间的复杂关系,具有拟合能力强、泛化能力好等特点。针对海量用户场景下用户量实时预测问...高斯过程回归(Gaussian process regression,GPR)是一种基于高斯过程的非参数化贝叶斯回归方法,其可以灵活适应不同类型数据,用于建模和预测数据之间的复杂关系,具有拟合能力强、泛化能力好等特点。针对海量用户场景下用户量实时预测问题,提出一种基于GPR的用户量预测优化方法。在滑动窗口方法处理数据的基础上,选择合适的核函数,基于k折交叉验证得到最佳超参数组合以实现GPR模型训练,完成在线用户量的实时预测并进行性能评估。实验结果表明,相比于采用训练集中输出数据方差的50%作为信号噪声估计量的传统方案,所提方法具有较高的预测准确度,并且在测试集均方根误差(root mean square,RMS)、平均绝对误差(mean absolute error,MAE)、平均偏差(mean bias error,MBE)和决定系数R 2这4个评估指标方面均有提升,其中MBE至少提升了43.3%。展开更多
经典的非参数谱分析方法使用滑动窗口来捕捉大多数时间序列的频谱特性,然而这种方法不能很好地应用在时间序列的时频谱是时间连续的信号上.对于一些其时频谱满足时间连续频率稀疏的非平稳信号,提出了一种利用部分平行交替方向乘子法(Alt...经典的非参数谱分析方法使用滑动窗口来捕捉大多数时间序列的频谱特性,然而这种方法不能很好地应用在时间序列的时频谱是时间连续的信号上.对于一些其时频谱满足时间连续频率稀疏的非平稳信号,提出了一种利用部分平行交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解谱寻求问题用于此类信号的时频分析方法.对一段加噪声的仿真信号和一段EEG(脑电)信号使用提出的方法进行时频分析.仿真结果表明:与短时傅里叶的分析方法相比,提出的方法不仅提高了时频谱的频率分辨率和时间分辨率,还有效抑制了噪声.最后从ADMM算法停止准则的角度说明了算法的收敛.展开更多
文摘高斯过程回归(Gaussian process regression,GPR)是一种基于高斯过程的非参数化贝叶斯回归方法,其可以灵活适应不同类型数据,用于建模和预测数据之间的复杂关系,具有拟合能力强、泛化能力好等特点。针对海量用户场景下用户量实时预测问题,提出一种基于GPR的用户量预测优化方法。在滑动窗口方法处理数据的基础上,选择合适的核函数,基于k折交叉验证得到最佳超参数组合以实现GPR模型训练,完成在线用户量的实时预测并进行性能评估。实验结果表明,相比于采用训练集中输出数据方差的50%作为信号噪声估计量的传统方案,所提方法具有较高的预测准确度,并且在测试集均方根误差(root mean square,RMS)、平均绝对误差(mean absolute error,MAE)、平均偏差(mean bias error,MBE)和决定系数R 2这4个评估指标方面均有提升,其中MBE至少提升了43.3%。
文摘经典的非参数谱分析方法使用滑动窗口来捕捉大多数时间序列的频谱特性,然而这种方法不能很好地应用在时间序列的时频谱是时间连续的信号上.对于一些其时频谱满足时间连续频率稀疏的非平稳信号,提出了一种利用部分平行交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解谱寻求问题用于此类信号的时频分析方法.对一段加噪声的仿真信号和一段EEG(脑电)信号使用提出的方法进行时频分析.仿真结果表明:与短时傅里叶的分析方法相比,提出的方法不仅提高了时频谱的频率分辨率和时间分辨率,还有效抑制了噪声.最后从ADMM算法停止准则的角度说明了算法的收敛.
